Machine Learning ช่วยลดค่าใช้จ่ายในการซ่อมบำรุงได้จริงไหม?

จากประสบการณ์ที่เราได้ดูแลลูกค้ามาหลายองค์กร เราได้เรียนรู้ว่าปัจจัยหลักที่ทำให้ธุรกิจดำเนินต่อได้อย่างไม่สะดุดคือ “ความพร้อมและประสิทธิภาพในการใช้งานของเครื่องมือต่างๆ” เพื่อรักษาให้เครื่องมือของเรา ไม่ว่าจะเป็นอุปกรณ์ ระบบ Software หรือเครื่องจักรที่ใช้งานอยู่นั้นคงประสิทธิภาพและมีความพร้อมที่จะให้ผลผลิต (Output) ตามที่เราต้องการอยู่เสมอนั้น จำเป็นต้องมีการซ่อมบำรุง วันนี้เราจะมาเล่าเรื่องนี้ให้ทุกคนได้เข้าใจ และสามารถนำไปปรับใช้กับธุรกิจของตัวเองได้อย่างแน่นอน

ประเภทของการซ่อมบำรุง

การซ่อมบำรุงนั้นมีหลักๆ 4 ประเภท ได้แก่

1. การบำรุงรักษาเชิงแก้ไข (Breakdown maintenance) : เป็นวิธีที่ง่ายที่สุด โดยเราเข้าซ่อมก็ต่อเมื่อเครื่องจักรมีปัญหา (เสียแล้วซ่อม)เหมาะกับเครื่องจักรขนาดเล็ก ไม่ซับซ้อนมาก ใช้เวลาซ่อมไม่นาน แต่ไม่ได้รับความนิยมเท่าไหร่ เพราะดูเหมือนเราไม่ได้ดูแลรักษาเครื่องจักรเลย

2. การบำรุงรักษาเชิงป้องกัน (Preventive maintenance) : เป็นการดูแลรักษาเครื่องจักรตามคำแนะนำของผู้ผลิต เช่น รถยนต์ควรมีการเปลี่ยนถ่ายน้ำมันเครื่องทุกๆระยะ 5,000-10,000 กิโลเมตร ซึ่งระยะเวลาดังกล่าวได้ประเมินมาจากค่าทางสถิติของอายุใช้งานเฉลี่ยของเครื่องจักร ซึ่งวิธีนี้ไม่สามารถยืนยันได้ว่าเครื่องจักรจะไม่ชำรุดอีกหลังจากการซ่อมบำรุง และอาจจะทำให้เกิดการสิ้นเปลือง จากการเปลี่ยนอะไหล่ที่จริงๆแล้วยังสามารถใช้งานได้อยู่ ก่อนเวลาหรือระยะเสื่อมสภาพ 

3. การบำรุงรักษาตามสภาพ (Condition based maintenance) : เป็นการบำรุงรักษาโดยเราคาดการณ์จากการเฝ้าสังเกตุการทำงานของเครื่องจักร จากประสาทสัมผัสของทีมงาน หรือเครื่องมือพิเศษที่เรานำมาติดตั้ง เช่น ความร้อน การสั่น เสียง แรงบิด โดยวิธีนี้ต้องใช้ความถี่ในการตรวจสอบ ทักษะและประสบการณ์ของทีมงานที่มีความเชี่ยวชาญในการพิจรณาเงื่อนไขความเสื่อมสภาพของเครื่องจักร จึงทำให้ต้นทุนในการบำรุงรักษานี้ไปตกอยู่ที่ความสามารถของผู้เฝ้าระวัง หรือระบบที่เราติดตั้ง แต่ข้อดีคือ เราได้ใช้อะไหล่อย่างเต็มประสิทธิภาพ เพราะจะมีการเปลี่ยนอะไหล่ก็ต่อเมื่ออะไหล่ชิ้นนั้นๆหมดอายุการใช้งานจริงๆ แถมยังมีเวลาในการเตรียมความพร้อมที่จะหยุดเครื่องจักร ซึ่งจะมีผลกระทบกับกำลังผลิตน้อยกว่าการหยุดเครื่องจักรแบบกระทันหันได้อีกด้วย

4. การบำรุงรักษาเชิงพยากรณ์ (Predictive maintenance) : เป็นวิธีที่ต่อยอดมาจากการบำรุงรักษาตามสภาพ โดยเรามีการเก็บข้อมูลต่างๆที่ได้จากระบบเฝ้าระวังที่เรานำมาติดตั้งไว้กับเครื่องจักร (เก็บค่าต่างๆที่ได้มาจากเครื่องจักร) และนำมาวิเคราะห์ต่อ เพื่อหาแนวโน้มถึงความเป็นไปได้ที่จะเกิดความเสียหายของเครื่องจักรในอนาคต โดยชนิดและข้อมูลที่เราเก็บนั้นก็จะแตกต่างออกไปในเครื่องจักรแต่ละประเภท โดยข้อดีคือเราสามารถวางแผนการซ่อมบำรุงได้ก่อนที่เครื่องจะแสดงอาการชำรุด และลดต้นทุนที่เกิดจากของเสีย (หลุดQC) แต่คุณภาพของการทำ Predictive Maintainance นั้นขึ้นอยู่กับความแม่นยำ ครบถ้วนของข้อมูลที่เราได้เก็บมา และความเชี่ยวชาญของผู้วิเคราะห์ ไม่ว่าจะวิเคราะห์โดยบุคคล หรือระบบคอมพิวเตอร์ก็ตาม 

P-F Curve สัมพันธ์กับ Predictive Maintenance อย่างไร

P-F Curve คือกราฟที่แสดงให้เห็นสภาพของเครื่องจักรตามช่วงเวลา แสดงให้เห็นถึงความสัมพันธ์ระหว่างสภาพของสินทรัพย์และเวลา จะเห็นได้จากแบบจำลองที่เมื่อตัวเครื่องจักรมีสภาพที่เริ่มทำงานผิดพลาดแล้ว จะเริ่มเสื่อมสภาพลงจนกระทั่งถึงความล้มเหลวของการทำงาน (หรือสภาพแย่จนถึงจุด F)

เป้าหมายทั่วไปของการตรวจสอบเครื่องจักรในแผนการบำรุงรักษาเชิงคาดการณ์ (predictive maintenance plan) คือการตรวจจับสภาพการเสื่อมสภาพก่อนที่เครื่องจักรจะใช้งานไม่ได้ 

จุด P = Potential Failure 
จุด F = Functional Failure

จากกราฟจะเห็นได้ว่า เมื่อเครื่องจักรเข้าใกล้จุดเสื่อมสภาพ (Functional Failure) จะทำให้ค่าบำรุงรักษาเพิ่มขึ้นสูงแบบก้าวกระโดด หากเรามีการบำรุงรักษาเมื่อเครื่องจักรเข้าสู่จุด P จะ ทำให้เราไม่ต้องรับค่าใช้จ่ายในส่วนของการบำรุงรักษาที่สูงมากจนเกินไป

เมื่อนักวิเคราะห์พบอาการหลังจากจุด P จำเป็นต้องแจ้งเพื่อนำเนินการบำรุงรักษาเชิงแก้ไขและต้องรีบทำการแก้ไขโดยด่วนก่อนจะไปถึงจุด F ไม่อย่างนั้น ต้นทุนในการซ่อมแซมจะสูงขึ้นหลายเท่า 

ทำไมต้องมี Predictive Maintenance ?

จากที่กล่าวมา Predictive Maintenance จะให้ความสำคัญตั้งแต่ช่วงแรกๆก่อนจะถึง Potential Failure และผลที่ได้คือจะสามารถยืดอายุการใช้งานของเครื่องจักรออกไปได้อีก และยังลดความเสี่ยงในการเกิด Unplanned Breakdown หรือ การหยุดการผลิตแบบกระทันหัน ซึ่งจะมีค่าใช้จ่ายสูงกว่าการหยุดผลิตแบบที่เรารู้ล่วงหน้าและมีการเตรียมความพร้อมไว้ก่อน

Machine Learning Model จะมาช่วยเรา Predict ได้อย่างไร

ก่อนอื่นต้องเข้าใจก่อนว่าการสร้าง Machine Learning Model สำหรับช่วยพยากรณ์ หรือทำนายอะไรบางอย่าง เราจำเป็นจะต้องเก็บข้อมูลปัจจัยที่เกี่ยวข้อง สำหรับพยากรณ์เหตุการณ์ที่เราสนใจ (เรียกว่า Feature) รวมถึงการเกิดขึ้นของเหตุการณ์ที่เราสนใจ (Label หรือ Target) เพื่อนำข้อมูลดังกล่าวมาพัฒนา หรือสอน Machine Learning Model ให้เรียนรู้ ความสัมพันธ์ของระหว่าง feature และ target หรือ รูปแบบ (Pattern) ต่างๆ ที่นำไปสู่การเกิดของเหตุการณ์ที่เราสนใจ

ในบริบทของการทำ Predictive Maintenance Feature ที่นำมาใช้ในการพยากรณ์ ได้แก่ ค่าต่างๆ ที่เก็บมาจาก Sensor ที่ติดตั้งกับเครื่องจักร เช่น อุณหภูมิ ความสั่น กำลังการทำงานของมอเตอร์ หรือ ความดังของ Noise จากเครื่องจักร และ Specification ต่างๆ ของเครื่องจักร (เช่น ประเภทของเครื่องจักร ผู้ผลิต รุ่น ปีที่ผลิต เป็นต้น)  ส่วน Target ได้แก่ การพัง ของเครื่องจักรนั่นเอง  โดยข้อมูลที่เก็บจะต้องมีการบันทึกเวลาที่สัมพันธ์กับค่าต่างๆ และเหตุการณ์ ที่ถูกต้องและแม่นยำ เพื่อนำข้อมูลดังกล่าวไปใช้พัฒนา Model ในลำดับถัดไป

หลังจากมีข้อมูลทั้งในส่วนของ Feature และ Target พร้อม สำหรับพัฒนา Machine Learning Model แล้ว เราสามารถกำหนดโจทย์ หรือจุดประสงค์ในการทำนายของ Model ได้หลายแบบ เช่น เราสามารถทำนายจำนวนวันที่เหลือก่อนที่เครื่องจักรจะพัง โดยใช้เทคนิค Regression (Model สำหรับทำนายค่าตัวเลข เช่น ทำนายราคาหุ้น ทำนายราคาบ้าน ทำนายยอดขาย เป็นต้น) หรือ เราสามารถทำนายว่าเครื่องจักรจะพัง ภายในช่วงเวลา 1 เดือนข้างหน้าหรือไม่ โดยใช้เทคนิค Classification (Model สำหรับทำนายว่าเหตุการณ์รูปแบบในจะเกิดขึ้น เช่น เครื่องจักรจะพัง หรือ เครื่องจักรจะไม่พัง ลูกค้าจะกลับมาซื้อ หรือไม่ซื้อ คนไข้จะเป็นมะเร็ง หรือไม่เป็น เป็นต้น) ซึ่งแน่นอนว่าเราจะต้องทำการเปรียบเทียบประสิทธิภาพ หรือความแม่นยำในการทำนายของ Model ที่มีจุดประสงค์ในการทำนายหลายๆ แบบที่กล่าวมาว่าแบบไหนมีประสิทธิภาพมากกว่า รวมถึงสามารถนำไปปรับใช้กับกระบวนการงานได้ดีกว่า เพื่อเลือกจุดประสงค์ในการทำนายให้เหมาะสมในการทำ Predictive Maintenance

นอกจากเรื่องการซ่อมบำรุงแล้ว ML Model หรือ AI ยังสามารถช่วยในส่วนอื่นๆของธุรกิจได้อีก หากธุรกิจนั้นๆมี Data ที่มีประสิทธิภาพและมีปริมาณที่เหมาะสมเพียงพอที่จะนำไปต่อยอดการพัฒนาธุรกิจ และหากใครสนใจอยากทำ Machine Learning Model หรือ AI สามารถติดต่อ Predictive ได้เลย และเรายินดีให้คำปรึกษาเบี้องต้นโดยไม่มีค่าใช้จ่าย